摘要：随着可再生能源渗透率的持续提升,其出力不确定性所带来的挑战也日益凸显。如何精准刻画可再生能源的不确定性,为电力系统安全运行、调度以及规划等相关决策提供科学的数据支撑已成为当前研究的热点之一。生成式对抗网络(Generative Adversarial Networks,GAN)因其强大的特征提取能力和生成能力被广泛应用于可再生能源不确定性建模任务中。然而研究表明GAN的训练稳定性、在小样本数据集上的生成效果、对风光出力数据的特征提取能力等存在不足。本文针对以上存在的问题,深入研究了改进GAN模型的搭建以及mixup数据增强策略在生成模型中的植入方法采用了Wasserstein条件生成式对抗网络(Wasserstein Conditional Generative Adversarial Networks,WCGAN)提升模型的训练稳定性,并且可以生成特定标签的可再生能源场景。并且在生成模型数据处理阶段引入mixup数据增强策略,通过对输入的原始样本数据以及其标签信息进行线性插值,混合形成新的样本,增扩模型的输入数据,使得生成模型能够在只有小样本数据量作为输入时依然能够训练达到拟合。本文提出的基于WCGAN-GP与mixup的可再生能源场景生成模型相比于传统GAN模型,其训练过程更加稳定,并且能够在原始输入数据量较小的极端情况下,也能充分捕捉可再生能源出力的时空特性,生成高质量的可再生能源场景。

摘要：现有的循环一致性生成对抗网络(CycleGAN)提供了一个双向情感语料转化的突破,但是真实目标和转换后的语音之间仍然存在很大的差距。为了缩小这一差距,提出融合多通道CycleGAN和mixup的情感语音合成方法,包含三个阶段:多通道CycleGAN、基于mixup的损失估计和基于mixup的有效情感区域加重。其中,设计门控单元GTLU和音频显著性区域的图像表达方法,结合基于改进GTLU的全局CycleGAN和基于显著性区域的局部CycleGAN构成了第一个阶段中的多通道CycleGAN,基于mixup方法设计了损失的计算方法和情感区域的不同加重程度计算。结合多项流行的语音合成方法,在IEMOCAP情感语料库上实施了多组生成情感语料的对比实验,利用双向三层长短期记忆网络(LSTM)模型作为验证模型,实验结果证明,所提出的情感语音合成方法获得的语音,其平均意见得分(MOS)和语音情感识别精度(UA)均有不同程度的提升,分别获得3.4%和2.7%的改善,在主观评价和客观实验上均优于现有的GANs模型,从而确保该模型生成语音具备高可靠性和良好的自然度。

摘要：铁氧体磁瓦由于形状的不规则性和表面缺陷的多样性给基于计算机视觉的表面质量识别带来很大的挑战。针对该问题,将深度学习技术引入到磁瓦表面质量识别中,提出一种基于卷积神经网络的磁瓦表面质量识别系统。首先将磁瓦目标从采集到的图像中分割出来并进行旋转从而得到标准图像,然后把改进后的多尺度ResNet18作为骨干网络来设计识别系统。训练时,设计一种新颖的类内mixup操作来提高系统对样本的泛化能力。为了更加贴近实际应用场景,在考虑到光线变化、姿态差异等因素的前提下构建了磁瓦缺陷数据集。在自建的数据集中进行实验的结果表明,该系统可以达到97.9%的识别准确率,为磁瓦缺陷的自动识别提供了可行的思路。